Dataset COCO12-Formats#

12

COCO12-Formats

ultralytics

publicDetect

COCO12-Formats is an Ultralytics loader-compatibility benchmark built from twelve labeled COCO images. It exercises AVIF, BMP, DNG, HEIC, JPEG/JPG, MPO, JP2, PNG, TIF/TIFF, and WebP decoding with real bounding boxes across COCO's 80-class taxonomy.

80 classes1.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

object-detectioncocoimage-formats+2

Introduzione#

Il dataset COCO12-Formats di Ultralytics è un dataset di test specializzato progettato per convalidare il caricamento delle immagini con 12 estensioni di formato supportate. Contiene 12 immagini (6 per l'addestramento e 6 per la validazione), ciascuna salvata in un formato diverso per garantire test completi della pipeline di caricamento delle immagini.

Questo dataset è prezioso per:

• Test del supporto ai formati immagine: verifica che i formati immagine più comuni vengano caricati correttamente
• Pipeline CI/CD: test automatizzati della compatibilità dei formati
• Debug: isolamento dei problemi specifici dei formati nelle pipeline di addestramento
• Sviluppo: convalida dell'aggiunta o della modifica di nuovi formati

Quando gestisci i dataset su Ultralytics Platform, le immagini in uno qualsiasi di questi formati vengono gestite automaticamente, senza bisogno di conversione manuale.

Formati supportati#

Il dataset include un'immagine per ciascuna delle 12 estensioni di formato supportate definite in ultralytics/data/utils.py:

Struttura del dataset#

coco12-formats/
├── images/
│   ├── train/          # 6 images (avif, bmp, dng, heic, jpeg, jpg)
│   └── val/            # 6 images (jp2, mpo, png, tif, tiff, webp)
├── labels/
│   ├── train/          # Corresponding YOLO format labels
│   └── val/
└── coco12-formats.yaml # Dataset configuration

YAML del dataset#

Il dataset COCO12-Formats è configurato tramite un file YAML che definisce i percorsi del dataset e i nomi delle classi. Puoi consultare il file ufficiale coco12-formats.yaml nel repository GitHub di Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO12-Formats dataset (12 images testing all supported image formats) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco12-formats
# Example usage: yolo train data=coco12-formats.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco12-formats ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco12-formats # dataset root dir
train: images/train # train images (relative to 'path') 6 images
val: images/val # val images (relative to 'path') 6 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco12-formats.zip

Requisiti#

Non è necessaria alcuna configurazione manuale. OpenCV legge la maggior parte dei formati direttamente e Ultralytics passa a Pillow per AVIF, HEIC e HEIF. AVIF viene decodificato in modo nativo da Pillow 11.3 o versioni successive, quindi aggiorna Pillow se i file AVIF non vengono caricati, mentre la decodifica HEIC/HEIF installa automaticamente il pacchetto leggero pi-heif al primo utilizzo.

Utilizzo#

Il dataset COCO12-Formats (1 MB) viene scaricato automaticamente la prima volta che avvii l'addestramento. Per addestrare un modello YOLO sul dataset COCO12-Formats, usa i seguenti esempi:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Train on COCO12-Formats to test 12 supported image formats
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

Note specifiche sui formati#

AVIF (Formato file immagine AV1)#

AVIF è un formato di immagine moderno basato sul codec video AV1, che offre un'eccellente compressione. Ultralytics lo decodifica tramite Pillow 11.3 o versioni successive quando OpenCV non supporta AVIF, senza la necessità di pacchetti aggiuntivi.

DNG (Digital Negative)#

DNG è il formato RAW aperto di Adobe basato su TIFF. A scopo di test, il dataset utilizza file basati su TIFF con l'estensione .dng.

JP2 (JPEG 2000)#

JPEG 2000 è uno standard di compressione delle immagini basato su wavelet che offre una compressione e una qualità migliori rispetto al JPEG tradizionale. È comunemente utilizzato nell'imaging medico (DICOM), nelle applicazioni geospaziali e nel cinema digitale. È supportato nativamente sia da OpenCV sia da Pillow.

MPO (Oggetto multipicture)#

I file MPO vengono utilizzati per immagini stereoscopiche (3D). Per i test del formato, il dataset memorizza dati JPEG standard con l'estensione .mpo.

HEIC / HEIF (Formato file immagine ad alta efficienza)#

Entrambe le estensioni .heic e .heif fanno riferimento allo stesso contenitore ISO/IEC 23008-12. Per convenzione, .heic indica i file HEIF codificati in HEVC (la variante prodotta dai dispositivi Apple), mentre .heif è l'estensione ombrello più ampia.

Ultralytics decodifica entrambi i formati tramite il fallback OpenCV → Pillow in ultralytics/utils/patches.py, che installa automaticamente pi-heif (leggero, solo per la decodifica) al primo utilizzo: non è necessaria alcuna configurazione manuale per la lettura. Per produrre autonomamente file HEIC/HEIF (ad esempio, per ricodificare immagini di esempio), installa il pacchetto completo pillow-heif, che include i codificatori:

pip install pillow-heif

Casi d'uso#

Test CI/CD#

from ultralytics import YOLO

def test_image_formats():
    """Test that 12 supported image formats load correctly."""
    model = YOLO("yolo26n.pt")
    results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=64)
    assert results is not None

Convalida dei formati#

from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS

# Verify all dataset formats are supported
dataset_dir = Path("datasets/coco12-formats/images")
found_formats = {f.suffix[1:].lower() for f in dataset_dir.rglob("*.*")}
assert found_formats <= IMG_FORMATS, f"Unsupported formats: {found_formats - IMG_FORMATS}"

Citazioni e ringraziamenti#

Se utilizzi il dataset COCO nella tua ricerca, cita:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Doll{\'a}r},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

FAQ#